Dynamische Netzwerkanalysen

Eine Einführung

Björn Siepe

AE Psychologische Methodenlehre, Philipps-Universität Marburg

1/3/23

Ziele

  1. Hintergrund von Netzwerkanalysen erarbeiten
  2. Den Sinn und die Struktur von Zeitreihendaten verstehen
  3. Dynamische Netzwerke interpretieren können
  4. Zentrale Annahmen und Einschränkungen erkennen
  5. Neuere Entwicklungen kennenlernen

Was wir auslassen

  1. Querschnittliche Netzwerke im Detail
  2. Planung von Längsschnittstudien
  3. Eigene Schätzung von Netzwerken in R (-> Followup?)
  4. N>1 dynamische Netzwerke im Detail
  5. Details klinischer Theorie (Process-Based Therapy, Case Formulizations etc.)

Netzwerkperspektive

Netzwerke

  • Netzwerke bestehen aus Knoten (nodes) und Kanten (edges)
  • Knoten:
    • Personen, Städte, Maschinenteile, Symptome
  • Kanten:
    • gewichtet/ungewichtet
    • direktional/undirektional
  • In der Psychologie: erste Arbeiten ~2010

Netzwerke vs. traditionelle Vorstellungen

  • Netzwerkmodell vs. Netzwerktheorie
  • Netzwerktheorie:
    • kausale Interaktion von Symptomen anstatt Syndrome
    • keine monokausale Erklärung
    • verschiedene Zustände des komplexen Systems (gesund vs. krank)
    • stark verbundenes Symptome verstärken sich gegenseitig

Beispielnetzwerk

Symptomaktivierung

Komorbidität

Small World

Zentralität

  • Wichtigkeit eines Knotens
  • Degree
    • Anzahl der Verbindungen
  • Strength
    • Stärke der Verbindungen
  • Betweenness
    • Anzahl der Pfade
  • Beispiel: Flughafen
  • Idee: Ansatz für Interventionen?
  • Interpretation teils fraglich

Zentralität

Hype Cycle

Warum Längsschnitt?

Dynamische Netzwerke

  • dynamische Zusammenhänge innerhalb von Personen
  • über Zeitpunkte hinweg
  • Idiographie vs. Multilevel

Zeitreihendaten

Experience Sampling

Autoregressiv

Autoregressiv

Cross-Lagged

Schätzung idiographischer Netzwerke

\[ Tired_{t} = \beta_{11}*Tired_{t-1} + \beta_{12}*Activity_{t-1} + \epsilon_{t} \]

\[ Y_{t} = \boldsymbol{B} Y_{t-1} + \Sigma \]

  • Residuen sind hier von zentraler Bedeutung!
  • Regularisierung für Struktur

Auszeit

Zwischenfazit

  • Netzwerke sind überall
  • attraktive Alternative zur Konzeptualisierung von Psychopathologie
  • Mittlerweile sehr viele Querschnittsstudien, wichtig Hype von tatsächlicher Aussage zu trennen
  • Längsschnitt ermöglicht neue Einblicke
  • Personalisierte Psychotherapie?
  • verschiedene Schätzmethoden

Temporal Network

  • Effekt von Variablen auf sich selbst und auf andere über die Zeit
  • gerichtete Effekte
  • meist: Lag 1 aus Sparsamkeit
  • Granger Kausalität
    • indikativ für mögliche Kausalität
  • self-loops

Contemporaneous Network

  • Partialkorrelation der Residuen
  • ungerichtete Effekte, die temporales Netzwerk nicht einfängt
  • etwa: Effekte, die schneller sind als Erhebungsfrequenz
  • Beispiel: \[ Stress \rightarrow Erwartung Panik \rightarrow Angst \]

Beispiel: Epskamp et al. (2018)

Multilevelnetzwerke

  • Vorteile:
    • mehr Power
    • Betrachtung von Heterogenität
    • weniger Zeitpunkte notwendig
  • nicht ganz idiographisch
  • mlVAR (Epskamp et al., 2018)
  • GIMME (Beltz et al., 2016)
  • DSEM (Asparouhov et al., 2018)

Ein Beispiel Multilevel

Interpretation

  • gleiche Zeitabstände zwischen Messungen
    • Alternative: Continuous Time
  • Korrekte Zeitabstände für zu messende Konstrukte
    • Stress vs. Depressivität
  • Kausalität?
  • Variablenauswahl?

Interpretation

  • Stationaritätsannahme
    • realistisch in klinischer Praxis?
  • Stabilität idiographischer Netzwerkschätzungen
  • Missing Data
  • Verteilungsannahmen
  • Power
    • Absenz von Evidenz \(\neq\) Evidenz für Absenz

Stabilität der Schätzung

  • Wir klonen das “wahre” Netzwerk einer Person und rechnen Netzwerkanalysen
  • Ergebnis: Heterogenität
  • Interpretation?
  • Schätzungsunsicherheit schwer zu verstehen

Machbarkeitsstudie Idiographie

  • Anzahl Zeitpunkte?
    • bei 75 und 100: schlechte Sensitivität
  • Anzahl Variablen?
    • bei wenigen Zeitpunkten: \(\leq\) 6
  • Zeitliche Netzwerke besonders schwierig

Evidenz bei Einsatz in klinischer Praxis

  • Frumkin et al. (2021):
    • wenige Fallstudien
    • Patient*innen überzeugter als Therapeut*innen
  • Levinson et al. (2023):
    • n = 79, Essstörungen
    • Modulwahl anhand von Netzwerken
  • Hall et al. (2022):
    • Einzelfallstudie zu TheraNET
    • Gutes Beispiel für detailliertes, netzwerkbasiertes Feedback
    • scheinbar RCT geplant
  • Keine eindeutige Evidenz
  • viele unterschiedliche Möglichkeiten des Einsatzes

Neuere Entwicklungen

  • Zusammenarbeit von Therapeut*in/Patient*in und Daten
  • Veränderungen über die Zeit
  • Vorhersage von Therapieergebnissen

PREMISE

PECAN

Zeitlich variierende Netzwerke

Vorhersage

Welche Analysen?

Ausblick

  • Was ist die Zukunft von Netzwerken im klinischen Setting?
  • “More than a pretty picture?”
  • Stabilität über die Zeit
  • Verknüpfung von datengetriebenen Modellen und Theorien
  • Verschiedene Arten von Feedback für Zeitreihendaten, auch unabhängig von Netzwerken

Zusammenfassung

  1. Netzwerke sind konzeptuell attraktiv
  2. Längsschnitt gibt uns neue Informationen … aber auch neue Probleme
  3. Hohe Diversität in Netzwerkansätzen
  4. Fragen?

Kontakt

Feel

free

to

contact

me

bjoern.siepe@uni-marburg.de

Ressourcen

PNAWS 2020 - frei zugänglich. Diente teils als Inspiration für diesen Workshop, besonders die Folien von Julian Burger.

Psych Networks Blog - nicht mehr aktiv

Literatur

Borsboom, D., & Cramer, A. O. J. (2013). Network analysis: An integrative approach to the structure of psychopathology. Annual Review of Clinical Psychology, 9(1), 91–121. https://doi.org/10.1146/annurev-clinpsy-050212-185608

Borsboom D. (2017). A network theory of mental disorders. World psychiatry : official journal of the World Psychiatric Association (WPA), 16(1), 5–13. https://doi.org/10.1002/wps.20375

Borsboom, D., Deserno, M. K., Rhemtulla, M., Epskamp, S., Fried, E. I., McNally, R. J., Robinaugh, D. J., Perugini, M., Dalege, J., Costantini, G., Isvoranu, A.-M., Wysocki, A. C., van Borkulo, C. D., van Bork, R., & Waldorp, L. J. (2021). Network analysis of multivariate data in psychological science. Nature Reviews Methods Primers, 1(1), 1–18. https://doi.org/10.1038/s43586-021-00055-w

Bringmann, L. F., Albers, C., Bockting, C., Borsboom, D., Ceulemans, E., Cramer, A., … & Wichers, M. (2022). Psychopathological networks: Theory, methods and practice. Behaviour Research and Therapy, 149, 104011.

Literatur

Dablander, F., Hinne, M. Node centrality measures are a poor substitute for causal inference. Sci Rep 9, 6846 (2019). https://doi.org/10.1038/s41598-019-43033-9

Fried, E.I., van Borkulo, C.D., Cramer, A.O.J. et al. Mental disorders as networks of problems: a review of recent insights. Soc Psychiatry Psychiatr Epidemiol 52, 1–10 (2017). https://doi.org/10.1007/s00127-016-1319-z

Fried, E. I., Epskamp, S., Nesse, R. M., Tuerlinckx, F., & Borsboom, D. (2016). What are ‘good’ depression symptoms? Comparing the centrality of DSM and non-DSM symptoms of depression in a network analysis. Journal of affective disorders, 189, 314–320. https://doi.org/10.1016/j.jad.2015.09.005

Literatur Längsschnitt

Asparouhov, T., Hamaker, E. L., & Muthén, B. (2018). Dynamic structural equation models. Structural Equation Modeling, 25(3), 359–388. https://doi.org/10.1080/10705511.2017.1406803

Beltz, A. M., Wright, A. G., Sprague, B. N., & Molenaar, P. C. (2016). Bridging the Nomothetic and Idiographic Approaches to the Analysis of Clinical Data. Assessment, 23(4), 447–458. https://doi.org/10.1177/1073191116648209

Burger, J., Epskamp, S., Veen, D. C. van der, Dablander, F., Schoevers, R. A., Fried, E. I., & Riese, H. (2021). A clinical PREMISE for personalized models: Towards a formal integration of case formulations and statistical networks. PsyArXiv. https://doi.org/10.31234/osf.io/bdrs7

Burger, J., Andikkhash, V., Jäger, N., Anderbro, T., Blanken, T., & Klintwall, L. (2022). A Novel Approach for Constructing Personalized Networks from Longitudinal Perceived Causal Relations. PsyArXiv. https://doi.org/10.31234/osf.io/e93xd

Literatur Längsschnitt

Burger, J., Ralph-Nearman, C., & Levinson, C. A. (2022). Integrating clinician and patient case conceptualization with momentary assessment data to construct idiographic networks: Moving toward personalized treatment for eating disorders. Behaviour Research and Therapy, 159, 104221. https://doi.org/10.1016/j.brat.2022.104221

Bringmann, L. F. (2021). Person-specific networks in psychopathology: Past, present and future. Current Opinion in Psychology, 41, 59–64. https://doi.org/10.1016/j.copsyc.2021.03.004

Epskamp, S., Waldorp, L. J., Mõttus, R., & Borsboom, D. (2018). The Gaussian graphical model in cross-sectional and time-series data. Multivariate behavioral research, 53(4), 453–480.

Frumkin, M. R., Piccirillo, M. L., Beck, E. D., Grossman, J. T., & Rodebaugh, T. L. (2021). Feasibility and utility of idiographic models in the clinic: a pilot study. Psychotherapy Research, 31(4), 520-534.

Literatur Längsschnitt

Haslbeck, J. M. B., Bringmann, L. F., & Waldorp, L. J. (2021). A tutorial on estimating time-varying vector autoregressive models. Multivariate Behavioral Research, 56(1), 120–149. https://doi.org/10.1080/00273171.2020.1743630

Hoekstra, R. H. A., Epskamp, S., & Borsboom, D. (2022). Heterogeneity in Individual Network Analysis: Reality or Illusion?. Multivariate behavioral research, 1–25. Advance online publication. https://doi.org/10.1080/00273171.2022.2128020

Jordan, D. G., Winer, E. S., & Salem, T. (2020). The current status of temporal network analysis for clinical science: Considerations as the paradigm shifts? Journal of Clinical Psychology, 76(9), 1591–1612. https://doi.org/10.1002/jclp.22957

Klintwall, L., Bellander, M., & Cervin, M. (2023). Perceived Causal Problem Networks: Reliability, Central Problems, and Clinical Utility for Depression. Assessment, 30(1), 73–83. https://doi.org/10.1177/10731911211039281

Literatur Längsschnitt

Levinson, C. A., Williams, B. M., Christian, C., Hunt, R. A., Keshishian, A. C., Brosof, L. C., Vanzhula, I. A., Davis, G. G., Brown, M. L., Bridges-Curry, Z., Sandoval-Araujo, L. E., & Ralph-Nearman, C. (2023). Personalizing eating disorder treatment using idiographic models: An open series trial. Journal of Consulting and Clinical Psychology, 91(1), 14–28. https://doi.org/10.1037/ccp0000785

Mansueto, A. C., Wiers, R. W., van Weert, J. C. M., Schouten, B. C., & Epskamp, S. (2022). Investigating the feasibility of idiographic network models. Psychological methods, 10.1037/met0000466. Advance online publication. https://doi.org/10.1037/met0000466

von Klipstein, L., Riese, H., van der Veen, D. C., Servaas, M. N., & Schoevers, R. A. (2020). Using person-specific networks in psychotherapy: Challenges, limitations, and how we could use them anyway. BMC Medicine, 18(1), 345. https://doi.org/10.1186/s12916-020-01818-0

Abbildungen

Jeremykemp at English Wikipedia (https://commons.wikimedia.org/wiki/File:Gartner_Hype_Cycle.svg), „Gartner Hype Cycle“, https://creativecommons.org/licenses/by-sa/3.0/legalcode

Foto von Sabina auf Unsplash

Foto von Jonas Leupe auf Unsplash